2.5 工作流程最佳化
2.5.1 Commit 訊息
建議用 Conventional Commits。標題 ≤ 50 字；只有在「為什麼」不明顯時才寫 body。
冗長版：
feat: Added a new feature to allow users to reset their passwords through
the settings page, which also sends a confirmation email
精簡版：
每則 commit 省的不多，但 Coding Agent 會讀 git history，整個 repo 累積起來就有差。
2.5.2 PR Review
比起長段評論，單行格式通常更省又同樣可執行：
常見嚴重度前綴：
🔴Bug / security，必修🟡Suggestion，建議修🔵Nit，可選最佳化❓Question，需要釐清
2.5.3 Ask Mode vs. Agent Mode
這是整份指南裡省 token 效果很大的決策之一。
Agent Mode 可能為每個可見動作觸發 3-10 次以上內部模型呼叫。
Ask Mode 通常就是一次呼叫、一個回答。
| 任務 | 建議模式 | 原因 |
|---|---|---|
| "What does this function do?" | Ask | 單次回答，不需要工具 |
| "What's the TypeScript syntax for generics?" | Ask | 單純知識問題 |
| "Refactor this module to use dependency injection" | Agent | 多檔案變更 |
| "Create a REST API with tests and docs" | Agent | 多步驟建立 |
| "Why is this test failing?" | Ask（通常） | 多半只需要你提供錯誤與上下文 |
簡單問題選 Ask，通常能省下 60-90%。
Copilot CLI 的例外：CodeAct
如果你主要是在 Copilot CLI 裡跑很多工具鏈，外部外掛 copilot-codeact-plugin 值得評估。它把原本多輪的 model → tool → model 循環收斂成一次沙箱執行。
它可能節省 token 的原因：
- 減少 system prompt、歷史訊息與工具定義的重播次數
- MCP 工具 catalog 載入次數也會跟著下降
- 整合後的結果通常比逐步敘述每一步更短
互補：用 RTK 壓縮工具輸出
CodeAct 減少的是工具呼叫的次數；RTK (Rust Token Killer) 減少的則是每次工具結果的大小，兩者可搭配使用。RTK 是 CLI proxy，會攔截 git、cargo test、grep、ls 等 100+ 種開發指令，在輸出回灌給 agent 前先壓縮，每個指令可省 60–90%。設定方式與完整指令清單見 MCP & Tool Costs §2.7.7。
2.5.4 預設使用 Auto 模型選擇
模型選擇器本身就是重要的成本控制介面。把高成本模型長時間釘住，代表連最簡單的互動都會用高費率計價。
正確預設是 Auto。
- Auto 會從支援的 Auto pool 中選擇
- 在付費方案上，符合條件時會套用折扣
- 它不是「自動幫你升到最貴模型」，高成本 premium 模型通常仍要手動 pin
只有在你清楚知道任務很簡單或很重，才手動指定模型。
2.5.5 依目標模型重調 Prompt
這不是每次都能直接減少單次 token，而是透過提升第一次回答品質，減少補問、修正與 agent 返工。
建議流程：
打開目標模型的官方 prompting guide。
把網址貼進 Copilot。
請 Copilot 依這份指南調整你的 instruction / prompt files。
保留行為不變，但減少錯誤回合與澄清成本。
各家官方 prompting guide 起點：
| 供應商 | 模型家族 | Prompting guide |
|---|---|---|
| Anthropic | Claude Sonnet / Opus / Haiku | Prompt engineering 總覽、Claude 最新模型最佳實務 |
| OpenAI | GPT-5.5 / GPT-5 | GPT-5.5 prompting guide、GPT-5 prompting guide |
| Gemini | Gemini prompt design strategies |
適用時機：
- 換了預設模型
- 原本在某模型表現不錯的 prompt，在新模型變得太囉唆、太死板或太積極
- agent 換模型後開始反覆做同一種錯誤假設
2.5.6 什麼時候不該壓縮
以下情境不要過度壓縮：
- 安全警告
- 不可逆操作
- 新人 onboarding
- 容易因順序或歧義導致誤解的多步驟指令
- 法規／合規文字
2.5.7 用 /chronicle 關閉回饋迴路
Token 浪費不只發生在單一 prompt，也會發生在你沒察覺的重複模式上。
/chronicle 能分析你的本機 session 歷史，找出 Copilot 常誤解你的地方。
最有價值的是：
/chronicle improve：找出反覆誤判，產生 custom-instruction 建議/chronicle tips：依你的使用模式給個人化改善建議/chronicle standup：整理工作狀態，偏流程幫助，非直接省 token
improve 的價值最大，因為它能把一再重複的浪費，轉成一次性的 instruction 修正。
2.5.8 VS Code 用量分析：AI Engineering Coach
/chronicle 偏向 Copilot CLI。
對 VS Code，對應工具是 AI Engineering Coach。
它會從本機的 VS Code AI session logs 中分析：
- 常見反模式
- token 使用型態
- context 健康度
- 技能與工作流缺口
它與 /chronicle 的關係是互補：
/chronicle修 prompt／instruction 的反覆失誤- AI Engineering Coach 稽核整體 VS Code 使用結構